Unfoldings and Abstract Interpretation for Parametric Biological Regulatory Networks

Dépliages et interprétation abstraite pour réseaux de régulation biologiques paramétrés

• Auteur / Autrice : Juraj Kolcak
• Direction : Stefan Haar
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 06/07/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : référent : École normale supérieure Paris-Saclay (Gif-sur-Yvette, Essonne ; 1912-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Méthodes formelles (Gif-sur-Yvette, Essonne ; 2021-....)
• Jury : Président / Présidente : Pascale Le Gall
• Jury : Examinateurs / Examinatrices : Gilles Bernot, Paolo Zuliani, Barbara König, Heike Siebert, Loïc Pauvele
• Jury : Rapporteurs / Rapporteuses : Gilles Bernot, Paolo Zuliani

Mots clés

Mots clés contrôlés

Petri, Réseaux de

Biologie systémique

Concurrence

Mots clés libres

Concurrence

Biologie des systèmes

Interprétation Abstraite

Concurrency

Systems Biology

Abstract Interpretation

Résumé

L'analyse de la dynamique des réseaux de régulation biologique, notamment des réseaux de signalisation et de régulation génique, fait face à l'incertitude du modèle de calcul exact.En effet, la plupart des connaissances disponibles concernent l'existence d'interactions (éventuellement indirectes) entre des entités biologiques (espèces), par ex. protéines, ARN, gènes, etc.Les détails sur la manière dont les différents régulateurs d'une même cible coopèrent, et plus encore sur les taux cohérents pour ces interactions, sont cependant rarement disponibles.A cet égard, des approches de modélisation qualitative sous forme de réseaux de régulation discrets, tels que les réseaux booléens et Thomas,offrir un niveau d'abstraction approprié pour la dynamique du réseau de régulation biologique.Les réseaux de régulation discrets étant basés sur un graphe d'influence, ils nécessitent peu de paramètres supplémentaires par rapport aux modèles quantitatifs classiques.Néanmoins, la détermination des paramètres discrets est un défi bien connu et un goulot d'étranglement majeur pour fournir des prédictions robustes à partir de modèles informatiques.Le graphe d'influence d'un réseau de régulation établit des dépendances pour l'évolution de chaque espèce, spécifiées par les arêtes dirigées du graphe.Les dépendances seules, cependant, ne suffisent pas pour spécifier la fonction logique régissant l'évolution d'une espèce.Au lieu de cela, les fonctions logiques associées à chaque espèce, contraintes par le graphe d'influence, sont codées dans les paramètres d'un réseau de régulation discret.L'espace des fonctions logiques admissibles est alors représenté par un réseau de régulation paramétrique.D'une part, les réseaux de régulation paramétriques peuvent être utilisés pour l'identification de valeurs de paramètres pour lesquelles le réseau de régulation discret résultant satisfait des propriétés (dynamiques) données.L'identification des paramètres des réseaux de régulation peut ainsi être vue comme un exemple particulier de synthèse de modèle, dans le cadre contraint du graphe d'influence sous-jacent.D'autre part, les réseaux de régulation paramétriques peuvent être analysés comme un modèle autonome, pour faire des prédictions robustes vis-à-vis de la variabilité du réseau.L'analyse de la dynamique du réseau de régulation paramétrique est entravée par la double explosion combinatoire, de l'espace d'états et de l'espace des paramètres.Dans cette thèse, nous développons de nouvelles méthodes d'analyse de réseau de régulation paramétrique, sous forme de sémantique spécialisée, visant à atténuer l'explosion combinatoire.Tout d'abord, nous introduisons une interprétation abstraite de l'ensemble des évaluations de paramètres admissibles (paramétrisations).L'abstraction permet de représenter n'importe quel ensemble de paramétrisations par un encodage de taille constante, au prix d'une sur-approximation conservatrice.Deuxièmement, nous élevons la sémantique d'ordre partiel sous la forme d'un déploiement des réseaux de Petri vers des réseaux de régulation paramétriques.Les graphiques d'influence des réseaux de régulation biologique ont tendance à être relativement clairsemés, ce qui permet une grande concurrence.Cela peut être exploité par des méthodes de réduction d'ordre partiel pour produire des représentations d'espace d'état concises.Les deux approches visent à aborder les deux aspects de la double explosion combinatoire et sont introduites de manière compatible, ce qui permet de les utiliser simultanément.Une telle application est soutenue par une implémentation prototype utilisée pour mener des expériences sur divers réseaux de régulation paramétriques.Nous considérons en outre des raffinements des méthodes, comme une méthode de réduction de modèle à la volée portée aux réseaux de régulation paramétriques à partir de réseaux d'automates.

The analysis of dynamics of biological regulatory networks, notably signalling and gene regulatory networks, faces the uncertainty of the exact computational model.Indeed, most of the knowledge available concerns the existence of (possibly indirect) interactions between biological entities (species), e.g. proteins, RNAs, genes, etc.The details on how different regulators of a same target cooperate, and even more so on consistent rates for those interactions, however, are rarely available.In this regard, qualitative modelling approaches in the form of discrete regulatory networks, such as Boolean and Thomas networks,offer an appropriate level of abstraction for the biological regulatory network dynamics.As discrete regulatory networks are based on an influence graph, they require few additional parameters compared to classical quantitative models.Nevertheless, determining the discrete parameters is a well known challenge, and a major bottleneck for providing robust predictions from computational models.The influence graph of a regulatory network establishes dependencies for the evolution of each specie, specified by the directed edges of the graph.The dependencies alone, however, do not suffice to specify the logical function governing the evolution of a specie.Instead the logical functions associated to each specie, constrained by the influence graph, are encoded within the parameters of a discrete regulatory network.The space of admissible logical functions is then represented by a parametric regulatory network.On the one hand, parametric regulatory networks can be used for identification of parameter values for which the resulting discrete regulatory network satisfies given (dynamical) properties.Parameter identification of regulatory networks can thus be seen as a particular instance of model synthesis, in the constrained setting of the underlying influence graph.On the other hand, parametric regulatory networks may be analysed as a stand-alone model, for making predictions that are robust with respect to variability in the network.The analysis of parametric regulatory network dynamics is hampered by dual combinatorial explosion, of the state space and of the parameter space.In this thesis, we develop novel methods of parametric regulatory network analysis, in the form of specialised semantics, aimed at alleviating the combinatorial explosion.First, we introduce abstract interpretation for the set of admissible parameter evaluations (parametrisations).The abstraction allows us to represent any set of parametrisations by a constant size encoding, at the cost of a conservative over-approximation.Second, we lift partial order semantics in the form of unfolding from Petri nets to parametric regulatory networks.The influence graphs of biological regulatory networks tend to be relatively sparse, allowing for a lot of concurrency.This can be harnessed by partial order reduction methods to produce concise state space representations.The two approaches are aimed at tackling both aspects of the dual combinatorial explosion and are introduced in a compatible manner, allowing one to employ them simultaneously.Such application is supported by a prototype implementation used to conduct experiments on various parametric regulatory networks.We further consider refinements of the methods, such as an on-the-run model reduction method lifted to parametric regulatory networks from automata networks.